趙思健，張　峭，聶　謙，鄭茗曦

(1.中國農(nóng)業(yè)科學院農(nóng)業(yè)信息研究所 農(nóng)業(yè)部智能化農(nóng)業(yè)預(yù)警技術(shù)重點開放實驗室，北京 100081; 2.華中科技大學武昌分校 經(jīng)濟管理學院金融學，湖北 武漢 430064)

我國農(nóng)業(yè)生產(chǎn)總體雖呈增長趨勢，但農(nóng)作物產(chǎn)量年際間的波動日益加劇，是普遍存在、不容忽視的問題[1]。農(nóng)作物產(chǎn)量波動的影響因素大致歸結(jié)為社會因素、氣象因素及其他一些偶然因素，其中氣象因素、尤其是氣象災(zāi)害對作物產(chǎn)量波動的影響最大[2-3]。據(jù)統(tǒng)計，自1990年代以來，我國幾乎每年都會暴發(fā)重大的氣象災(zāi)害，包括干旱、洪澇、冷害、風雹、臺風等。農(nóng)作物平均每年受災(zāi)面積約為46 966 khm2，占總播種面積的30.57%，平均年成災(zāi)面積約為24 774 khm2，占播種面積的16.13%，給農(nóng)作物產(chǎn)量造成很大的影響。為此，亟需對農(nóng)業(yè)生產(chǎn)的氣象災(zāi)害風險進行有效評估，其中識別造成作物產(chǎn)量波動的關(guān)鍵氣象要素，并對氣象要素造成產(chǎn)量的異常波動模擬是核心技術(shù)。該項技術(shù)將能為農(nóng)業(yè)氣象災(zāi)害的監(jiān)測預(yù)警及農(nóng)業(yè)保險的氣象指數(shù)產(chǎn)品設(shè)計提供重要的支撐。與農(nóng)業(yè)氣象災(zāi)害風險相關(guān)的研究有很多，有代表性的包括杜鵬等較早就提出農(nóng)業(yè)氣象災(zāi)害風險的體系和特點[4]，李世奎等提出農(nóng)業(yè)氣象災(zāi)害風險評估體系及模型[5]，李志明等[6]、王麗媛[7]等對農(nóng)業(yè)氣象災(zāi)害風險評估進行綜述，張繼權(quán)等系統(tǒng)總結(jié)農(nóng)業(yè)氣象災(zāi)害風險評估方法及模型[8]，等。在方法論上，農(nóng)業(yè)氣象災(zāi)害風險評估方法也層出不窮，有資料統(tǒng)計分析法[9-11]、數(shù)學模型法[12-13]、實驗機理模擬法[14-16]、作物模型模擬法[17-18]、GIS分析法[19-20]，等。但可以發(fā)現(xiàn)，這些研究大都局限于對作物的某種氣象災(zāi)害風險進行分離式評估，忽略了作物減產(chǎn)損失往往是由于生長期內(nèi)受到了多種氣象災(zāi)害的多重影響。因此，農(nóng)業(yè)氣象災(zāi)害風險評估需要從微觀層面上研究作物生長期內(nèi)各種極端氣象事件共同作用造成的作物減產(chǎn)。另一方面，有關(guān)氣象要素與作物產(chǎn)量之間關(guān)系的研究也有很多，它們通常是借助相關(guān)分析法[20-23]、因子分析法[24]、多元回歸分析法[25-27]、神經(jīng)網(wǎng)絡(luò)法[28]等統(tǒng)計方法，直接建立生長期氣象要素與作物產(chǎn)量的關(guān)系模型，研究目的大都是為作物產(chǎn)量預(yù)測服務(wù)，在研究視角上非真正意義上的作物產(chǎn)量氣象風險研究。本文擺脫直接構(gòu)建氣象要素和作物產(chǎn)量之間關(guān)系的傳統(tǒng)方法，從作物氣象災(zāi)害的原理(即氣象災(zāi)害是氣象異常事件、而氣象異常事件又導致作物產(chǎn)量異常的原理)出發(fā)，通過構(gòu)建氣象災(zāi)害指數(shù)，識別作物生長期氣象災(zāi)害指數(shù)異常和作物最終產(chǎn)量異常之間的關(guān)系來達到評估作物產(chǎn)量的氣象災(zāi)害風險。由于作物在生長期間面臨著多種氣象災(zāi)害，且各種氣象災(zāi)害對作物最終產(chǎn)量的影響是綜合性的。為解決多種氣象災(zāi)害對產(chǎn)量的綜合影響，采用氣象災(zāi)害指數(shù)異常與產(chǎn)量損失異常之間的關(guān)系匹配技術(shù)，并通過不斷調(diào)整異常識別閾值來尋找最優(yōu)匹配關(guān)系，最終形成一套新的作物產(chǎn)量氣象災(zāi)害風險的識別與評估技術(shù)。

1　資料準備

1.1　數(shù)據(jù)資料

本研究以安徽省來安縣水稻和蕭縣玉米為案例，收集如下2類數(shù)據(jù)資料開展分析建模工作。

(1)作物單產(chǎn)數(shù)據(jù)：收集安徽省來安縣1980-2015年水稻單產(chǎn)數(shù)據(jù)，蕭縣1980-2015年玉米單產(chǎn)數(shù)據(jù)，數(shù)據(jù)來源中國農(nóng)業(yè)部縣級農(nóng)村經(jīng)濟統(tǒng)計數(shù)據(jù)庫。

(2)氣象要素數(shù)據(jù)：收集安徽省來安縣和蕭縣的氣象站點自1954-2015年氣象要素日觀測數(shù)據(jù)，具體的氣象要素包括日累計降水、日平均溫度、日照時數(shù)，數(shù)據(jù)來源中國氣象局。

1.2　生長期資料

通過實地調(diào)研，獲悉來安縣水稻和蕭縣玉米的種植規(guī)律如下：水稻整個生長期從4-9月份，每年4月上旬開始播種，4月中旬開始出苗，4月下旬開始育秧，6月中旬返青，6月下旬開始分蘗，8月上旬開始孕穗，8月中旬開始抽穗，8月下旬開始灌漿，9月上旬開始乳熟，9月中下旬開始成熟收獲；玉米整個生長期從6-10月份，每年6月中旬開始播種出苗，6月下旬長出三葉、5月下旬長至七葉，7月中下旬開始拔節(jié)，8月開始吐絲，9月上旬開始乳熟，10月上旬開始成熟收獲。

2　分析與建模

2.1　氣象災(zāi)害指數(shù)構(gòu)建

根據(jù)歷史資料及實地調(diào)研，安徽省易發(fā)生的農(nóng)業(yè)氣象災(zāi)害主要包括干旱、洪澇、高溫、冷害和寡照(連陰雨)五種。依據(jù)氣象災(zāi)害的定義，結(jié)合收集氣象站點的日值氣象要素數(shù)據(jù)，計算這五種氣象災(zāi)害指數(shù)，具體如表1所示。

由于作物生長需要經(jīng)歷一個較長的時期，在生長期間很有可能受到同一種氣象災(zāi)害的多次影響。為了衡量同一種氣象災(zāi)害在作物生長期間內(nèi)對作物生產(chǎn)的影響，可以選取作物生長期間內(nèi)所有發(fā)生該種氣象災(zāi)害事件對應(yīng)指數(shù)的極值或者累計值來綜合代表同一類氣象災(zāi)害的程度，其中極值代表最嚴重的一次氣象災(zāi)害程度，累計值則代表多次氣象災(zāi)害的累計程度，如表2所示。

表1　氣象災(zāi)害指數(shù)表達與解釋

表2　氣象災(zāi)害指數(shù)極值與累計值方案

2.2　單產(chǎn)去趨勢

影響作物產(chǎn)量的因素很多，主要有三類，①包括種子、化肥、農(nóng)技水平、經(jīng)營管理、政策、病蟲害控制等在內(nèi)的非自然因素；②是氣象災(zāi)害、病蟲害等自然因素；③是隨機因素，即：

Y=Ytd+Yw+Yδ。

(1)

式中：Y為作物的實際單產(chǎn)(t/hm2)，Ytd為作物的趨勢單產(chǎn)(t/hm2)，Yw統(tǒng)稱為作物的氣象單產(chǎn)(t/hm2)、Yδ稱為隨機波動單產(chǎn)(t/hm2)。

趨勢單產(chǎn)反映了一定歷史時期社會發(fā)展水平,可通過把年序作為自變量,以某種函數(shù)關(guān)系去逼近和模擬。趨勢單產(chǎn)的擬合方法主要包括回歸分析法、滑動平均法和直線滑動平均法。其中，直線滑動平均法是一種線性回歸法與滑動平均法相結(jié)合的模擬方法，具有較好的逼近和模擬效果[29-30]。

去除趨勢單產(chǎn)后，剩余部分的氣象單產(chǎn)和隨機波動單產(chǎn)統(tǒng)稱為波動單產(chǎn)。波動單產(chǎn)是衡量作物產(chǎn)量風險的重要部分，通常用單產(chǎn)波動率為量度，即：

(2)

式中：Vyt表示作物的單產(chǎn)波動率，正值表示增產(chǎn)，負值則表示減產(chǎn)；t表示年份。

2.3　定量關(guān)系的優(yōu)化匹配

災(zāi)害學中，氣象災(zāi)害的實質(zhì)是極端的天氣現(xiàn)象，換句話說是某種氣象災(zāi)害指數(shù)出現(xiàn)異常。所謂異常，就是偏離正常的程度，或者說是偏離正常水平的程度。偏離程度越大，異常越嚴重、越極端，災(zāi)度也就越大。同樣，作物產(chǎn)量在天氣異常的情況下導致?lián)p失。因此，要衡量氣象災(zāi)害對作物帶來的產(chǎn)量風險就可以從建立氣象災(zāi)害指數(shù)異常與產(chǎn)量損失之間的定量關(guān)系角度出發(fā)進行評估。

其中，作物的產(chǎn)量損失可以通過判斷作物單產(chǎn)波動率偏離歷史最好增產(chǎn)率的程度來識別，具體表達如下：

dyt=|Vyt-max(Vyt)|。

(3)

式中：dyt表示作物的單產(chǎn)損失率；Vyt表示作物的單產(chǎn)波動率；max(Vyt)表示作物歷史的最大增產(chǎn)率；t表示年份。

氣象災(zāi)害指數(shù)采用了極值和累計值兩種方案，因此每年都會有兩套氣象災(zāi)害指數(shù)數(shù)據(jù)集，即：

(4)

和

(5)

式中：wm,t表示極值型氣象災(zāi)害指數(shù)集；wc,t表示累計型氣象災(zāi)害指數(shù)集；t表示年份。由于不同的氣象災(zāi)害指數(shù)之間存在著量綱的差異，為此可對各氣象災(zāi)害指數(shù)進行歸一化處理，即：

(6)

通常，輕微的氣象異常通常構(gòu)不成氣象災(zāi)害，只有氣象異常達到一定程度才可能誘發(fā)氣象災(zāi)害，才有可能對作物生長產(chǎn)生影響。因此，可以在氣象災(zāi)害指數(shù)上增設(shè)一個閾值，超出該閾值的極端異常才判斷為氣象災(zāi)害，才有可能導致作物產(chǎn)量損失。這個閾值并非固定，不同類型氣象災(zāi)害的閾值有差異，不同地區(qū)的閾值有差異，不同類型作物因生理脆弱性的不同對應(yīng)的氣象災(zāi)害閾值也有差異。因此，在建模時，可以通過不斷微調(diào)氣象要素閾值來不斷匹配氣象要素異常與產(chǎn)量損失之間線性關(guān)系，再通過尋找最大R2找出最優(yōu)匹配關(guān)系，最終確定各氣象災(zāi)害指數(shù)閾值及相應(yīng)的關(guān)系模型(經(jīng)過反歸一化處理)，即：

(7)

式中：fop(dY,W)表示最終尋找的最優(yōu)氣象災(zāi)害指數(shù)與產(chǎn)量損失關(guān)系模型；dY是產(chǎn)量損失；Wg,m(c)是第g種氣象災(zāi)害指數(shù)；a0是線性回歸擬合常數(shù)項；ag是氣象災(zāi)害指數(shù)的擬合系數(shù)；sWg,m(c)是氣象災(zāi)害指數(shù)的異常判斷閾值；R2是相關(guān)系數(shù)。

2.4　氣象災(zāi)害風險模擬與評估

利用上述氣象災(zāi)害指數(shù)異常與產(chǎn)量損失的關(guān)系模型，結(jié)合氣象災(zāi)害指數(shù)的概率分布，便可以對其風險進行評估。利用歷史氣象要素的觀測數(shù)據(jù)，根據(jù)氣象災(zāi)害指數(shù)的定義，可以獲得各種氣象災(zāi)害指數(shù)的歷史樣本，即：

wg,m(c)={wg,m(c),1945,…,wg,m(c),t，…,wg,m(c),2015}。

(8)

式中，wg,m(c)表示第g種氣象災(zāi)害指數(shù)的歷史樣本集，wg,m(c),t表示該氣象災(zāi)害指數(shù)第t年的樣本。利用歷史樣本集，采用參數(shù)估計法模擬獲得該氣象災(zāi)害指數(shù)的概率分布函數(shù)f(wg,m(c))和分布函數(shù)F(wg,m(c))(可借助科學計算軟件Easyfit實現(xiàn))。

通過假設(shè)重現(xiàn)期的方式可以模擬氣象災(zāi)害指數(shù)發(fā)生異常。為此，利用該氣象災(zāi)害指數(shù)的分布函數(shù)模擬出重現(xiàn)期下T0的氣象災(zāi)害指數(shù)值，具體表達如下：

(9)

式中，wg,m(c),T0表示重現(xiàn)期T0下的該氣象災(zāi)害指數(shù)值(極值或累計值)。假設(shè)其他氣象災(zāi)害指數(shù)不發(fā)生異常，將代入公式7計算出該氣象災(zāi)害在重現(xiàn)期下的作物產(chǎn)量損失dyg,T0，再代入公式3計算出實際的產(chǎn)量減產(chǎn)率Dyg,T0，即：

(10)

假設(shè)一組不同的重現(xiàn)期{T0,T1,…,Tn}，按照公式(11)便可計算出一組各重現(xiàn)期對應(yīng)的氣象災(zāi)害指數(shù)和作物產(chǎn)量損失，即：

{(T0,wg,m(c),T0,Δyg,T0),(T1,wg,m(c),T1,Δyg,T1),

…,(Tn,wg,m(c),Tn,Δyg,Tn)}。

(11)

將上述信息繪制圖表上，可獲得作物在該種氣象災(zāi)害影響下的產(chǎn)量風險曲線。

為衡量該種氣象災(zāi)害的風險，可計算該氣象災(zāi)害造成的作物期望減產(chǎn)率Vg，即：

(12)

3　結(jié)果分析

3.1　作物產(chǎn)量年際損失分析

利用來安縣水稻產(chǎn)量時間序列數(shù)據(jù)和蕭縣玉米產(chǎn)量時間序列數(shù)據(jù)，利用直線滑動平均法對兩個地區(qū)的作物產(chǎn)量波動進行去趨勢分析，獲得兩個地區(qū)的單產(chǎn)波動率年際變化情況，并以歷史最佳增產(chǎn)率為準，計算兩個地區(qū)單產(chǎn)損失率(圖1)。從圖1中看出，蕭縣玉米單產(chǎn)波動較來安縣水稻劇烈。其中，來安縣1994年、2003年水稻產(chǎn)量損失較為嚴重，蕭縣1982年、1987年、1988年、1994年、2003年玉米產(chǎn)量損失較為嚴重。

圖1　作物單產(chǎn)波動率和損失率

圖2　氣象災(zāi)害指數(shù)年際變化

3.2　氣象災(zāi)害指數(shù)年際變化分析

利用來安縣和蕭縣氣象站的氣象要素時間序列數(shù)據(jù)，依據(jù)氣象災(zāi)害指數(shù)構(gòu)建的原理，計算出兩個地區(qū)的氣象災(zāi)害指數(shù)(通過后續(xù)的匹配結(jié)果，來安縣累計型氣象災(zāi)害指數(shù)匹配度較好，蕭縣極值型氣象災(zāi)害指數(shù)匹配度較好)，并進行歸一化處理，最終獲得兩個地區(qū)氣象災(zāi)害指數(shù)的年際變化曲線(圖2)。從圖2中可以看出，蕭縣總體氣象災(zāi)害指數(shù)水平較來安縣要高。以歸一化值0.6為閾值，高于閾值的判斷為突出年份的話，來安縣暴雨指數(shù)在1991年，干旱指數(shù)在1981至1984年、1986年、1991年、1994至1996年、2000年、2012年至2013年，高溫指數(shù)在2013年，寡照指數(shù)在1980年、1999年、2002年至2003年、2008年、2011年、2014年較為突出；蕭縣暴雨指數(shù)在1982年、2000年、2006年，干旱指數(shù)在1989年、1998年、2001年，高溫指數(shù)在1988年、1994年、2013年，冷害指數(shù)在1992年、寡照指數(shù)在2003年、2008年較為突出。

3.3　最優(yōu)定量關(guān)系模型

在產(chǎn)量年際損失率和氣象災(zāi)害指數(shù)(極值和累計值)年際變化的基礎(chǔ)上，采用異常優(yōu)化匹配的方法建立作物氣象災(zāi)害易損性關(guān)系模型。

針對來安縣，通過回歸系數(shù)R2比較，累計值方案(R2=0.994)較極值方案(R2=0.949)優(yōu)越，因此選擇累計值方案獲得關(guān)系模型，具體如下：

(15)

式中：洪澇災(zāi)害指數(shù)的異常閾值為546.9 mm，干旱災(zāi)害指數(shù)的異常閾值127.3 d，高溫災(zāi)害指數(shù)的異常閾值為18.8℃，冷害災(zāi)害指數(shù)的異常閾值為5.91℃，寡照災(zāi)害指數(shù)的異常閾值為173.9 h。

針對蕭縣，通過回歸系統(tǒng)R2比較，極值方案(R2=0.953)較累計值方案(R2=0.902)優(yōu)越，因此選擇極值方案獲得關(guān)系模型，具體如下：

(16)

式中：洪澇災(zāi)害指數(shù)的異常閾值為334.16 mm，干旱災(zāi)害指數(shù)的異常閾值為31.8 d，高溫災(zāi)害指數(shù)的異常閾值為5.72℃，寡照災(zāi)害指數(shù)的異常閾值為131.04 h。

3.4　歷史數(shù)據(jù)回測分析

利用關(guān)系模型，對兩縣的歷史數(shù)據(jù)進行回測分析，回測結(jié)果如圖3所示。從圖3可以看出，來安縣與蕭縣的歷史數(shù)據(jù)回測結(jié)果都比較好。來安縣的實際單產(chǎn)損失與模型計算的氣象災(zāi)害單產(chǎn)損失匹配較好的年份包括1980年、1981年、1988年、1991年、1994年、1999年、2001年、2002年、2003年、2006年、2008年、2010年、2011年、2013年和2014年，其中1994年和2003年屬于實際產(chǎn)量損失極值的年份，模型計算單產(chǎn)損失與實際損失匹配度很高；蕭縣的實際單產(chǎn)損失與模型計算的氣象災(zāi)害單產(chǎn)損失匹配較好的年份包括1980年、1982年、1987年、1988年、1989年、1993年、1994年、1996年、1997年、1998年、2003年、2005年、2008年、2009年、2010年、2012年、2013年和2014年，其中1982年、1987年、1994年和2003年屬于實際損失極值的年份，模型計算單產(chǎn)損失與實際損失匹配度很高，這些充分說明了關(guān)系模型對于模擬氣象災(zāi)害產(chǎn)量損失效果很好。當然，由于模型采用了閾值匹配的方案，對于存在那些實際產(chǎn)量損失、但氣象災(zāi)害指數(shù)不異常的負相關(guān)性年份會被剔除在模型外，因此會出現(xiàn)一些年份存在單產(chǎn)損失，但模型計算不出現(xiàn)災(zāi)害損失的情況。例如，來安縣1982年、1992年，蕭縣1999年、2007年，存在一定的單產(chǎn)損失，但氣象災(zāi)害指數(shù)卻不異常，模型并不進行匹配。這些年份的產(chǎn)量損失有可能是由病蟲害等其他自然因素造成，或是單產(chǎn)本身存在的隨機損失波動。

圖3　歷史數(shù)據(jù)回測

地區(qū)氣象災(zāi)害指數(shù)最佳概率分布參數(shù)來安縣洪澇指數(shù)(累計)Wakeby分布a=053658，b=12661，g=001671，d=061687，x=-002475干旱指數(shù)(累計)Wakeby分布a=24124，b=54723，g=01746，d=-02320，x=-00160高溫指數(shù)(累計)Wakeby分布a=0，b=0，g=02114，d=009729，x=-002303冷害指數(shù)(累計)Logistic分布s=008451，m=007356寡照指數(shù)(累計)Wakeby分布a=24639，b=22469，g=03851，d=-03048，x=-005003蕭縣洪澇指數(shù)(極值)GenLogistic分布k=01763，s=00849，m=02920干旱指數(shù)(極值)GenExtremeValue分布k=00802，W=01550，m=01890高溫指數(shù)(極值)JohnsonSB分布g=01219，d=06707，l=12542，x=-00178冷害指數(shù)(極值)GumbelMax分布s=01517，m=-00159寡照指數(shù)(極值)GumbelMax分布s=01451，m=01672

3.5　氣象災(zāi)害風險模擬

利用來安縣和蕭縣歷史62年(1954年至2015年)的氣象要素(降水、溫度和日照)日觀測數(shù)據(jù)，結(jié)合各種氣象災(zāi)害指數(shù)(極值型和累積型)表達形式，構(gòu)建歷史氣象災(zāi)害指數(shù)的時間序列數(shù)據(jù)樣本，利用Easyfit軟件對各種氣象災(zāi)害指數(shù)進行概率分布擬合，通過KS檢驗、AD檢驗和卡方檢驗選取各氣象災(zāi)害指數(shù)的最佳概率分布，如表3所示。

倘若要對某一種氣象災(zāi)害風險進行刻畫，可在假設(shè)其他氣象災(zāi)害指數(shù)不發(fā)生異常的前提下，利用該氣象災(zāi)害指數(shù)概率分布，通過假設(shè)重現(xiàn)期的方式模擬各種氣象災(zāi)害異常，并利用最優(yōu)關(guān)系模型計算出該異常下作物產(chǎn)量減產(chǎn)率。如假設(shè)一組重現(xiàn)期(2年至200年)，通過上述步驟便可獲得一組重現(xiàn)期下作物該氣象災(zāi)害的減產(chǎn)率，繪制成作物的氣象災(zāi)害風險曲線，如圖4所示(以來安縣的洪澇災(zāi)害和蕭縣的干旱災(zāi)害為例)。圖4可以看出，來安縣水稻洪澇災(zāi)害風險較大，200年一遇的減產(chǎn)風險可以達到28%，而蕭縣玉米干旱風險在200年一遇的減產(chǎn)風險才達到4.1%；然而，蕭縣玉米干旱風險的發(fā)生條件要低，5年一遇就可以導致減產(chǎn)，但減產(chǎn)率較低；來安縣玉米洪澇災(zāi)害的發(fā)生條件較高，20年一遇才可能導致減產(chǎn)，但減產(chǎn)率卻較高。因此，蕭縣玉米干旱災(zāi)害屬于高頻率但低損失的風險，而來安縣水稻洪澇則屬于低頻率但高損失的風險。

3.6　氣象災(zāi)害風險量度與排序

通過對各類氣象災(zāi)害風險模擬后，計算獲得兩個縣各種氣象災(zāi)害造成的作物單產(chǎn)期望減產(chǎn)率作為一個統(tǒng)一的風險度量值，如圖4所示。圖中可以看出，來安縣水稻的洪澇災(zāi)害風險最大，單產(chǎn)期望減產(chǎn)率是4.00%；其次是高溫和寡照風險，它們的單產(chǎn)期望減產(chǎn)率是1.39%和1.01%；再次是冷害和干旱，它們的單產(chǎn)期望減產(chǎn)率是0.76%和0.22%。蕭縣玉米的寡照和干旱風險較大，它們的單產(chǎn)期望減產(chǎn)率是3.91%和2.64%；再次是高溫和洪澇，它們的單產(chǎn)期望減產(chǎn)率是1.03%和0.88%；冷害基本沒有影響。

圖4　作物氣象災(zāi)害風險曲線

圖5　各類氣象災(zāi)害單產(chǎn)期望減產(chǎn)率

4　討論

本文以安徽省來安縣水稻和蕭縣玉米為例開展作物氣象災(zāi)害風險識別與評估研究，在如下幾個方面有所突破。

(1)將氣象災(zāi)害表達成氣象要素的指數(shù)形式，通過指數(shù)可以快速地識別氣象災(zāi)害的發(fā)生和程度。由于區(qū)域之間的差異，災(zāi)害指數(shù)對作物生長的影響有可能是極端效應(yīng)、也有可能是積累效應(yīng)，因此氣象災(zāi)害指數(shù)構(gòu)建時存在極值型指數(shù)和累計型指數(shù)兩種方案，通過評價選擇較好的一種方案。

(2)作物生長期間可能會受到多種氣象災(zāi)害的綜合影響，僅考慮一種氣象災(zāi)害對產(chǎn)量損失進行建模，是不科學的。本研究將作物生長期中潛在影響的所有氣象災(zāi)害與產(chǎn)量損失之間關(guān)系進行建模，科學量化出多種氣象災(zāi)害對作物最終產(chǎn)量的綜合影響，實際效果較顯著。

(3)擺脫直接建立氣象災(zāi)害與產(chǎn)量關(guān)系的傳統(tǒng)方法，立足氣象災(zāi)害源于氣象異常、氣象異常導致產(chǎn)量損失的原理，通過設(shè)置氣象災(zāi)害指數(shù)異常判斷閾值，結(jié)合數(shù)據(jù)優(yōu)化匹配的思路來構(gòu)建氣象災(zāi)害指數(shù)與作物產(chǎn)量損失，為建立氣象與產(chǎn)量的關(guān)系模型提供新的思路。

(4)造成作物產(chǎn)量波動包括政策等非自然因素，氣象災(zāi)害和病蟲害等自然因素和隨機波動因素。本研究可有效地分離非自然因素帶來的趨勢產(chǎn)量、自然因素帶來的自然波動產(chǎn)量和隨機因素造成的隨機波動產(chǎn)量，為全面認識作物產(chǎn)量波動開展風險評估提供了技術(shù)支撐。

(5)通過異常優(yōu)化匹配構(gòu)建的氣象災(zāi)害指數(shù)與產(chǎn)量損失的關(guān)系模型，可以有效地模擬與評估出各種氣象災(zāi)害對作物產(chǎn)量損失的影響，并對各種氣象災(zāi)害風險進行量度與排序，為農(nóng)業(yè)氣象災(zāi)害風險評估和農(nóng)業(yè)氣象指數(shù)保險等應(yīng)用領(lǐng)域提供了技術(shù)支撐。

與此同時，研究本身也存在一些不足，需要在接下來的工作中加以改進與完善，具體包括：① 每種氣象災(zāi)害指數(shù)都有極值型和累計型兩種方案，不同氣象災(zāi)害指數(shù)之間很有可能存在極值型和累計型方案的組合，再與作物產(chǎn)量進行優(yōu)化匹配；② 作物生長期中存在關(guān)鍵生育期，關(guān)鍵生育期內(nèi)的氣象災(zāi)害對作物產(chǎn)量波動影響較顯著，因此建模時還需要從作物生育機理出發(fā)對氣象災(zāi)害指數(shù)進行篩選和構(gòu)造。

參考文獻：

[1]林燕，于冷. 中國糧食產(chǎn)量波動分析[J]. 吉林農(nóng)業(yè)大學學報，2002，28( 3) : 346-350.

[2]張宇. 近40年來我國糧食產(chǎn)量變化特征初步分析[J]. 中國農(nóng)業(yè)氣象，1995，16 (3) : 1-4.

[3]王玉斌，蔣俊朋，王曉志，等.中國糧食產(chǎn)量波動影響因素實證分析[J].北京農(nóng)學院學報, 2007, 22 ( 4) : 38-41.

[4]杜鵬，李世奎.農(nóng)業(yè)氣象災(zāi)害風險分析初探[J].地理學報，1998，63(3)：202-208.

[5]李世奎, 霍治國, 王素艷，等.農(nóng)業(yè)氣象災(zāi)害風險評估體系及模型研究[J].自然災(zāi)害學報，2004, 13(1): 77-87.

[6]李志明，臧俊嶺，焦仁慶.農(nóng)業(yè)氣象災(zāi)害風險評估研究綜述[J].現(xiàn)代農(nóng)業(yè)科技，2009(14): 269-270.

[7]王麗媛，于飛.農(nóng)業(yè)氣象災(zāi)害風險分析及區(qū)劃研究進展[J].貴州農(nóng)業(yè)科學，2011,39(11): 84-88.

[8]張繼權(quán)，李寧.主要氣象災(zāi)害風險評價與管理的數(shù)量化方法及其應(yīng)用[M].北京：北京師范大學出版社，2007.

[9]王春乙，婁秀榮，王建林.中國農(nóng)業(yè)氣象災(zāi)害對作物產(chǎn)量的影響[J].自然災(zāi)害學報，2007,16(5): 37-43.

[10] 王光宇，安徽省農(nóng)業(yè)氣象災(zāi)害糧食損失率評估[J].農(nóng)業(yè)系統(tǒng)科學與綜合研究，2008,24(3)：330-332.

[11] 陳懷亮，鄧偉，張雪芬，等.河南小麥生產(chǎn)農(nóng)業(yè)氣象災(zāi)害風險分析與區(qū)劃[J].自然災(zāi)害學報，2006,15(1)：135-143.

[12] 王積全，李維德.基于信息擴散理論的干旱區(qū)農(nóng)業(yè)旱災(zāi)風險分析——以甘肅省民勤縣為例[J].中國農(nóng)業(yè)氣象，2007,28(4)：440-442.

[13] 潘護林.山東省農(nóng)業(yè)氣象災(zāi)害災(zāi)情統(tǒng)計特征與灰色關(guān)聯(lián)分析[J].西北師范大學學報(自然科學版)，2008,44(5)：94-98.

[14] 劉玲，郭建平，高素華.低溫、干旱并發(fā)對玉米影響的評估研究[J].氣象，2006,32(4)：116-120.

[15] 高素華，劉玲.低溫、干旱脅迫對抽雄期玉米葉片光化效率和光合作用速率的影像[J].氣象，2007,33(4):88-91.

[16] 陳振林，張建平，王春乙，等.應(yīng)用WOFOST模型模擬低溫與干旱對玉米產(chǎn)量的綜合影響[J].中國農(nóng)業(yè)氣象，2007,28(4)：440-442.

[17] 董姝娜, 龐澤源, 張繼權(quán), 等.基于CERES Maize模型的吉林西部玉米干旱脆弱性曲線研究[J].災(zāi)害學, 2014,29(3):115-119.

[18] 賈慧聰, 王靜愛, 潘東華, 等.基于EPIC模型的黃淮海夏玉米旱災(zāi)風險評價[J].地理學報, 2011,66(5):643-651.

[19] 羅培.GIS支持下的氣象災(zāi)害風險評估模型[J].自然災(zāi)害學報，2007,16(1)：40-43.

[20] 趙霞，王平，龔亞麗，等.基于GIS的內(nèi)蒙古中部區(qū)域洪水災(zāi)害風險評估[J].北京師范大學學報(自然科學版)，2007,43(6)：666-669.

[21] 楊曉華，曹天堂，楊小利.影響平?jīng)鼋鸸a(chǎn)量的生態(tài)氣象因子及其變化趨勢[J].安徽農(nóng)業(yè)科學，2009，37(27): 13033-13036.

[22] 羅麗華，陳桂華，胡英，等.氣象因素與早稻產(chǎn)量因子的相關(guān)性分析[J].自然資源學報，2010，25(10): 1718-1726.

[23] 陳彥虎，顧寧，劉靜，等.寧夏石嘴山市枸杞產(chǎn)量與氣象條件的關(guān)系[J].安徽農(nóng)業(yè)科學，2012，40(27): 13508-13511.

[24] F M Chmieleki, W.Kohn.Impact of weather on yield components of winter rye over 30 years[J].Agricultural and Forest Meteorology.2000, 102: 253-261.

[25] 彭九慧，楊梅，陸倩，等.玉米干旱等級劃分及氣象產(chǎn)量評估方法[J].環(huán)境科學與技術(shù),2012,35(12):137-139.

[26] 范磊，鄭國清，趙全志，等.河南省水稻氣象災(zāi)害因子分析及主要災(zāi)害發(fā)生區(qū)劃研究[J].2013，34(6): 162-168.

[27] M G Pereira, L.Caramelo, C.Gouveia.Assessment of weather-related risk on chestnut productivity[J].Nat.Hazards Earth Syst.Sci., 2011, 11: 2729-2739

[28] 喬加新，周森鑫，馬季.基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)氣象產(chǎn)量預(yù)報系統(tǒng)[J].微計算機信息, 2009(35): 44-46.

[29] 白林，段東霞，萬 忠.廣東水稻生產(chǎn)風險評估研究[J].西南農(nóng)業(yè)學報，2014，27(4) : 1762-1767.

[30] 王克.農(nóng)作物單產(chǎn)分布對農(nóng)業(yè)保險費率厘定的影響[D].北京：中國農(nóng)業(yè)科學院, 2008.